TIJORAT BANKLARIDA KREDIT SKORINGINI TAKOMILLASHTIRISHDA BIG DATA VA MASHINAVIY O'QITISH TEXNOLOGIYALARINING ROLI

Annotatsiya. Mazkur maqolada tijorat banklari faoliyatida kredit skoringini takomillashtirishda Big Data (katta hajmdagi raqamli ma‘lumotlar to’plami) va mashinaviy o’qitish (Machine Learning, ML – kompyuter algoritmlarining ma‘lumotlar asosida qonuniyatlarni mustaqil aniqlash texnologiyasi) imkoniyatlarining nazariy-uslubiy asoslari hamda amaliy ahamiyati tahlil qilingan. Tadqiqotning maqsadi – kredit qobiliyatini baholash modellarining klassik statistik usullardan zamonaviy chuqur o’rganish (Deep Learning) modellarigacha bo’lgan evolyutsion rivojlanishini sistemali tahlil qilish va O’zbekiston bank sektori uchun amaliy istiqbollarini asoslashdan iborat. Tadqiqotda qiyosiy tahlil va mavzuli adabiyot obzori usullari qo’llanilib, jahon miqyosida 2003-2024-yillarda nashr etilgan asosiy tadqiqotlar natijalari sintez qilingan. Tahlil natijalari ansambl modellarining (bir nechta algoritmlarni birlashtirib ishlovchi tizimlar) klassik logistik regressiyaga nisbatan kredit qarorlari aniqligida sezilarli ustunligini tasdiqlaydi. Maqolada O’zbekiston tijorat banklari uchun amaliy tavsiyalar shakllantirilgan.

Kalit so’zlar: kredit skoringi, Big Data, mashinaviy o’qitish, kredit risk, tijorat banklari, IFRS-9, raqamli iqtisodiyot, prognoz aniqligi, izohlanuvchanlik.

Аннотация. В данной статье анализируются теоретико-методологические основы и практическое значение технологий больших данных (Big Data – массивы цифровой информации большого объёма) и машинного обучения (Machine Learning, ML – технология самостоятельного выявления закономерностей компьютерными алгоритмами на основе данных) в совершенствовании кредитного скоринга в деятельности коммерческих банков. Целью исследования является систематический анализ эволюционного развития моделей оценки кредитоспособности от классических статистических методов до современных моделей глубокого обучения, а также обоснование практических перспектив для банковского сектора Узбекистана. В исследовании использованы методы сравнительного анализа и тематического обзора литературы; синтезированы результаты основных исследований, опубликованных в мировой литературе в 2003-2024 годах. Результаты анализа подтверждают существенное преимущество ансамблевых моделей (систем, объединяющих несколько алгоритмов) по сравнению с классической логистической регрессией в точности кредитных решений. В статье сформулированы практические рекомендации для коммерческих банков Узбекистана.

Ключевые слова: кредитный скоринг, Big Data, машинное обучение, кредитный риск, коммерческие банки, IFRS-9, цифровая экономика, точность прогноза, интерпретируемость.

Abstract. This article analyzes the theoretical-methodological foundations and practical importance of Big Data (large-scale digital data sets) and Machine Learning (ML – technology by which computer algorithms autonomously identify patterns from data) technologies in improving credit scoring in commercial banks. The aim of the study is to systematically analyze the evolutionary development of creditworthiness assessment models, from classical statistical methods to modern Deep Learning models, and to substantiate practical prospects for the banking sector of Uzbekistan. The study employs comparative analysis and thematic literature review methods; the results of major studies published in 2003-2024 in the global literature are synthesized. The analysis confirms a significant advantage of ensemble models (systems combining multiple algorithms) over classical logistic regression in the accuracy of credit decisions. The article formulates practical recommendations for commercial banks of Uzbekistan.

Keywords: credit scoring, Big Data, machine learning, credit risk, commercial banks, IFRS-9, digital economy, predictive accuracy, interpretability.